具身智能全文深读与原图讲解

TacitVLA：让动作不再等待当前推理文本

推理监督、历史记忆与当次文本输入，哪一部分真正帮助机器人行动？

Jack Lu 等 / NVIDIA、NYU、UC Berkeley、Johns Hopkins、Stanford预印本首发 · 故障期间补收 2026.10.13

论文公开 · 实现开放待核

IN A NUTSHELL

TacitVLA保留推理文本的训练监督，却屏蔽动作专家对当次推理token的注意力。无需历史记忆时直接省去文本生成；需要记忆时在执行动作期间生成下一次调用要读的记录。四组受控实验支持这种拆分，但收益依赖训练标注和执行窗口，不等于完全无需推理或记忆。

图解主要方法

推理监督、历史记忆与当次文本输入，哪一部分真正帮助机器人行动？

1
固定训练序列，拆开两个作用通道
视觉语言骨干预测推理文本及离散动作辅助目标，动作专家以flow matching学习连续动作。显式推理与TacitVLA使用相同数据、提示和优化器，关键差异是动作位置能否注意当前推理文本；训练监督仍会更新动作所依赖的骨干表征。
2
以注意力掩码切断当次依赖
动作专家能读观察、此前记忆和自身动作块，但不能读当次生成的推理文本，也不能偷看离散动作目标。图1左侧的虚线只把文字送入下一次调用的记忆，而不是当前动作。
3
按任务决定省略或延后生成
LIBERO和驾驶不保留推理记忆，部署可不生成文本；RoboMME计数与RMBench要保留子任务记录，先算动作，再用共享前缀缓存生成文字。若生成超过动作执行窗口，下次调用仍须等待超出部分。
4
区分意图记账与执行结果
RoboMME每16步动作后才写入本轮子任务，去除相邻重复并按回合重置。记录描述尝试做的动作，不携带结果；失败抓取也可能留下记录。因此正确的文字计数不保证物理按钮按压次数正确。

已阅读正文1–7及附录A–D，含图4–8成功与失败轨迹，核对实验条件与原图；未独立复现。

来源证据全16任务训练时RoboMME总成功率46.5/45.8/48.1（无推理/显式/Tacit）；RMBench四任务60.4/77.0/77.5；LIBERO-Plus 67.6/73.5/72.9。表3–5：三次评估种子 ↗

我的解读17.1是RMBench相对无推理的百分点差，且无推理同时没有ledger，不能单独归因文本监督。LIBERO-Plus略低于显式版本；“匹配”不是所有单元都更好。

来源证据LIBERO每次147ms对495ms，约3.4倍延迟比；RoboMME动作127ms、文字93ms，文字可落入800ms执行窗。驾驶127ms对269ms，但控制步为100ms。附录C / 表15：单H100 80GB、bf16计时 ↗

我的解读文字生成不阻塞动作并非整体零延迟。驾驶仍未满足100ms周期，不能将加速结果写成已经实现该控制频率的实时系统。

来源证据Tacit场景分52.5，显式52.3，无推理46.4；Tacit责任碰撞6.7%、驶离道路10.0%，显式分别5.5%、9.0%。表6：驾驶公开441场景、每场景三次 ↗

我的解读综合分接近不意味着安全相关子指标同样好；训练使用380万专有驾驶事件，不能把公开评测集等同开放训练数据。

来源证据相机扰动下Tacit42.2而显式51.5；Press Button最终ledger正确率两者均99.7%，动作成功率却约74%。附录原图展示计数正确但确认按压或物体放置失败。附录B–D：分轴结果与失败图 ↗

我的解读说明总均值掩盖视觉扰动差异，文字记忆正确仍需可靠执行。论文项目页说最大占窗12%，附录实测最长180/800ms约23%，以附录口径为准。

论文CC BY 4.0；作者项目页明确Code soon，未发现实现或检查点下载。驾驶训练语料为专有，不标为完整开源。

LICENSECC BY 4.0

独立分析 · 未复现实验

通过相同序列下的注意力控制，较清楚地区分推理监督带来的表征收益与在线生成成本；对需要历史记账的策略也给出可实施调度。

只覆盖所测架构与基准；推理标注质量、训练ledger与生成ledger分布差仍影响结果。记忆任务无推理对照同时失去ledger；RoboMME权重按三档取优，未代表任意训练配方。未有实机验证或普遍实时性保证。

值得用于VLA延迟优化，但应同时审计子任务记忆、逐扰动性能与控制周期，不能把“无需等待当前文字”宣传为“不需要推理”。

未执行的验证方案：在等参数、同训练与同执行窗口下增加仅ledger、仅推理监督对照；缩短动作块并拉长文本，测超窗比例、尾延迟、错误记账传播和真实接触任务成功率。